感謝這篇新浪博客的轉載讓我找到了阮大佬的博客：http://blog.sina.cn/dpool/blog/s/blog_b906c1070102vjo5.html
沒想到我當時做嗅圖狗時用到的技術在人家好幾年前的博客裏就寫的清清楚楚（我用的是人家早就玩剩下的東西……）……對這篇博客有點“相見恨晚”的感覺。
本轉載有很多鏈接在粘貼時丟失，可以直接到源博客裏看：
相似圖片搜索的原理（二）
http://www.ruanyifeng.com/blog/2013/03/similar_image_search_part_ii.html
作者： 阮一峯
日期： 2013年3月31日
————————————
二年前，我寫了《相似圖片搜索的原理》，介紹了一種最簡單的實現方法。
（轉載注：此處是所謂的“Phash”，即"感知哈希算法"，嗅圖狗博客裏我提到的“紋理”就是這個，這篇帖子也很明白清楚，建議點進去看下）
昨天，我在isnowfy的網站看到，還有其他兩種方法也很簡單，這裏做一些筆記。
一、顏色分佈法
每張圖片都可以生成顏色分佈的直方圖（color histogram）。如果兩張圖片的直方圖很接近，就可以認爲它們很相似。
任何一種顏色都是由紅綠藍三原色（RGB）構成的，所以上圖共有4張直方圖（三原色直方圖 + 最後合成的直方圖）。
如果每種原色都可以取256個值，那麼整個顏色空間共有1600萬種顏色（256的三次方）。針對這1600萬種顏色比較直方圖，計算量實在太大了，因此需要採用簡化方法。可以將0～255分成四個區：0～63爲第0區，64～127爲第1區，128～191爲第2區，192～255爲第3區。這意味着紅綠藍分別有4個區，總共可以構成64種組合（4的3次方）。
任何一種顏色必然屬於這64種組合中的一種，這樣就可以統計每一種組合包含的像素數量。
上圖是某張圖片的顏色分佈表，將表中最後一欄提取出來，組成一個64維向量(7414, 230, 0, 0, 8, …, 109, 0, 0, 3415, 53929)。這個向量就是這張圖片的特徵值或者叫"指紋"。
於是，尋找相似圖片就變成了找出與其最相似的向量。這可以用皮爾遜相關係數或者餘弦相似度算出。
二、內容特徵法
除了顏色構成，還可以從比較圖片內容的相似性入手。
首先，將原圖轉成一張較小的灰度圖片，假定爲50x50像素。然後，確定一個閾值，將灰度圖片轉成黑白圖片。
如果兩張圖片很相似，它們的黑白輪廓應該是相近的。於是，問題就變成了，第一步如何確定一個合理的閾值，正確呈現照片中的輪廓？
顯然，前景色與背景色反差越大，輪廓就越明顯。這意味着，如果我們找到一個值，可以使得前景色和背景色各自的"類內差異最小"（minimizing the intra-class variance），或者"類間差異最大"（maximizing the inter-class variance），那麼這個值就是理想的閾值。
1979年，日本學者大津展之證明了，“類內差異最小"與"類間差異最大"是同一件事，即對應同一個閾值。他提出一種簡單的算法，可以求出這個閾值，這被稱爲"大津法”（Otsu’s method）。下面就是他的計算方法。
假定一張圖片共有n個像素，其中灰度值小於閾值的像素爲 n1 個，大於等於閾值的像素爲 n2 個（ n1 + n2 = n ）。w1 和 w2 表示這兩種像素各自的比重。
w1 = n1 / n
w2 = n2 / n
再假定，所有灰度值小於閾值的像素的平均值和方差分別爲 μ1 和 σ1，所有灰度值大於等於閾值的像素的平均值和方差分別爲 μ2 和 σ2。於是，可以得到
類內差異 = w1(σ1的平方) + w2(σ2的平方)
類間差異 = w1w2(μ1-μ2)^2
可以證明，這兩個式子是等價的：得到"類內差異"的最小值，等同於得到"類間差異"的最大值。不過，從計算難度看，後者的計算要容易一些。
下一步用"窮舉法"，將閾值從灰度的最低值到最高值，依次取一遍，分別代入上面的算式。使得"類內差異最小"或"類間差異最大"的那個值，就是最終的閾值。具體的實例和Java算法，請看這裏。
有了50x50像素的黑白縮略圖，就等於有了一個50x50的0-1矩陣。矩陣的每個值對應原圖的一個像素，0表示黑色，1表示白色。這個矩陣就是一張圖片的特徵矩陣。
兩個特徵矩陣的不同之處越少，就代表兩張圖片越相似。這可以用"異或運算"實現（即兩個值之中只有一個爲1，則運算結果爲1，否則運算結果爲0）。對不同圖片的特徵矩陣進行"異或運算"，結果中的1越少，就是越相似的圖片。
（完）
文檔信息
版權聲明：自由轉載-非商用-非衍生-保持署名（創意共享3.0許可證）
發表日期： 2013年3月31日